九江市农地利用碳排放时空演变、影响因素及趋势预测

赵琪琛, 余 敦, 王检萍

(江西农业大学 国土资源与环境学院, 南昌 330045)

近年来,随着社会经济的快速发展,以二氧化碳(CO2)为代表的温室气体排放量急剧增加,加速了全球气候变化进程,导致了冰川融化、海平面上升等一系列气候问题,严重威胁人类的生存与发展[1-2]。农业是国民经济的基础,同时也是温室气体排放的重要来源[3]。据统计,我国农业温室气体排放量约占全国排放总量的17%,其中农业排放的甲烷(CH4)和氧化亚氮(N2O)分别占全国排放总量的50%和92%[4],因此缓解农业碳排放势在必行。农地是农业活动的载体,从农地利用的角度开展碳排放研究对农业绿色、低碳、可持续发展以及实现“双碳”目标具有重要意义。

农地利用碳排放研究也逐渐成为学术界热点。目前,学者们从全球[5]、国家[6-7]、地区[8-9]、省域[10-12]、市县等[13]不同尺度进行了大量研究,研究内容主要涵盖以下4个方面:一是碳排放测算,主要方法有排放因子法、质量平衡法、实测法等[14];二是碳排放影响因素,主要方法有LMDI模型[10]、STIRPAT模型[15]、空间计量模型等[16];三是碳排放与粮食生产和农业经济发展之间的关系,如吴昊玥等[17]依托Tapio脱钩理论分析了我国粮食主产区耕地利用碳排放与粮食生产的脱钩效应,Wang等[18]利用环境库兹涅茨曲线(EKC)和脱钩模型对河南省农地利用碳排放与农业经济的关系进行验证;四是碳排放趋势预测,主要方法有灰色预测模型[11]、蒙特卡洛模拟等[19]。已有研究成果对农地绿色利用具有重要参考意义,但还存在以下拓展空间:(1) 研究尺度多聚焦于国家、省域等中宏观尺度,对市、县等微观尺度开展深入探讨的研究则较少;(2) 测算范围多考虑化肥、农药等农业物资投入方面,而忽略了农田土壤利用、稻田种植等产生的碳排放;(3) 差分自回归移动平均(ARIMA)模型具有预测误差较小、精度较高的优点[20],而将其用于农地利用碳排放的研究鲜有。

九江市地处鄱阳湖平原,作为“赣北粮仓”,其农业基础条件良好,是传统粮食主产区和重要商品粮基地。随着农业的快速发展,其农业经济取得了巨大成就,但与此同时,化肥、农药等大量投入也使得农地高面源污染、高碳排放的特征趋势增强[21]。鉴于此,本文基于农业物资投入、稻田种植、农田土壤利用、畜禽肠道发酵和畜禽粪便管理5类碳源测算九江市2006—2020年的农地利用碳排放量并分析其时空演变特征,运用Kaya恒等式和LMDI模型探究影响因素,利用ARIMA模型预测2021—2025年的变化趋势,以期为促进九江市农地低碳利用、农业绿色发展提供理论依据,也为其他类似地区实现农业高质量发展提供决策参考。

1 研究区概况

九江市位于江西省北部,地理位置为113°57′—116°53′E,28°47′—30°06′N,总面积19 085 km2,占江西省面积的11.43%。属于亚热带季风气候,年平均温度16～17℃,年平均降水量1 300～1 600 mm。属于南方低山丘陵区,山地面积占16.4%,丘陵面积占44.5%。第三次全国国土调查显示,九江市耕地面积为26.29万hm2,占江西省耕地面积的9.66%。2020年九江市农林牧渔业产值为241.34亿元,占江西省农林牧渔业产值的10.37%。主要农作物有水稻、玉米、豆类、薯类等,主要畜禽有猪、牛、羊、兔、家禽等。

2 研究方法与数据来源

2.1 研究方法

2.1.1 农地利用碳排放测算 农地利用碳排放是指农民在从事农业生产活动中作用于农地而引发的碳排放[22]。按照国家标准GB/T21010—2017《土地利用现状分类》,农地包括耕地、园地、林地、草地(除其他草地)、农村道路、水库水面、坑塘水面、沟渠、设施农用地以及田坎。因此本文界定的农地利用碳排放测算范围主要包括以耕地、园地等利用为主的种植业和以牧草地、设施农用地利用为主的畜牧业产生的碳排放,参考相关文献[17,23-24]并归纳总结,具体测算农业物资投入、稻田种植、农田土壤利用、畜禽肠道发酵、畜禽粪便管理5类农地利用活动排放的CO2,CH4和N2O。

参照《IPCC国家温室气体清单指南》和《省级温室气体编制指南》,测算方法采用排放因子法,具体方法以及碳排放系数参考相关文献[11,23,25-28]。测算结果均以标准碳当量(C)显示,1 t CH4所引发的温室效应相当于排放28 t CO2(7.64 t C),1 t N2O所引发的温室效应相当于排放265 t CO2(72.27 t C)[2]。

(1)农业物资投入。农业物资投入主要包括化肥、农药、农膜等农业物资在生产、使用过程中产生的碳排放;农业机械、灌溉消耗电力、柴油等而产生的碳排放;农地翻耕造成土壤有机碳流失引起的碳排放。测算方法参考文献[27—28]。

(2)稻田种植。由于稻田中隔水层的存在,使土壤与大气隔离,形成有利于甲烷产生的厌氧环境。测算方法参考文献[25]。

(3)农田土壤利用。农作物种植对土壤表层的破坏使得土壤中的温室气体流失到大气中,其中以氧化亚氮为主要气体。测算方法参考文献[23],测算对象选取九江市种植面积相对较大的主要农作物,主要包括水稻、玉米、豆类、薯类等。

(4)畜禽肠道发酵。畜禽肠道发酵主要是指畜禽在正常代谢过程中,寄生在其消化道内的微生物发酵饲料时产生的甲烷,测算方法参考文献[11],[25]。

(5)畜禽粪便管理。畜禽粪便管理主要是指畜禽粪便施入到土壤之前贮存和处理所产生的甲烷和氧化亚氮排放,测算方法参考文献[25—26]。

2.1.2 Kernel密度估计 Kernel密度估计是一种可以在不进行任何参数模型假设的情况下,用连续的概率密度曲线描述随机变量分布形态和特征的非参数估计方法,常用来描述研究对象空间分布的非均衡性[29]。本文采用Kernel密度估计分析九江市农地利用碳排放的动态演进特征,公式如下:

(1)

2.1.3 Kaya恒等式和LMDI分解模型 把握不同因素对农地利用碳排放的影响效应,是制定碳减排对策的重要依据[10]。借鉴前人研究成果[30],基于Kaya恒等式将农地利用碳排放的影响因素分解为农业生产效率、农业产业结构、农业经济水平和农业劳动规模4个方面,具体如下:

(2)

(3)

(4)

(5)

式中:C为农地利用碳排放总量(kg);GDPT为种植业和畜牧业生产总值(元);GDPA为农林牧渔业生产总值(元);P为农业劳动规模,用农业从业人口数量(人)表示;E为农业生产效率(kg/元);S为农业产业结构;L为农业经济水平(元/人),则有:

C=E×S×L×P

(6)

LMDI模型具有消除残差项、乘法分解与加法分解结果相一致、结果容易解释等优点,在温室气体排放研究领域应用广泛[31]。采用LMDI的加法分解形式对公式(6)进行取对数、加和分解,具体如下:

(7)

(8)

(9)

(10)

ΔC=ΔE+ΔS+ΔL+ΔP

(11)

式中:ΔE,ΔS,ΔL,ΔP分别为农业生产效率、产业结构、经济水平和劳动规模对农地利用碳排放的贡献量(kg);ΔC为所有影响因素对农地利用碳排放的贡献总量(kg);t为目标年(t=1,2,3,…,n),0为基准年。

2.1.4 ARIMA模型 ARIMA(p,d,q)模型中的p,d,q分别为模型的自回归项阶数(AR模型阶数)、差分阶数和移动平均项阶数(MA模型阶数),其实质是在自回归移动平均模型的基础上针对非平稳序列进行d阶差分,以提高其预测精度,适用于非平稳时间序列的短期预测[32-33]。基本步骤为:(1) 对原始序列进行平稳性检验,对非平稳序列进行d阶差分,转化为平稳序列;(2) 根据原始序列或差分后序列的自相关系数和偏相关系数确定p和q的取值范围;(3) 通过R2,AIC等指标选取最佳模型并进行残差检验判断模型的合理性;(4) 筛选出最优模型进行趋势预测。ARIMA模型的一般表达式为:

yt=c+φ1yt-1+…+φpyt-p+θ1εt-1+…+θqεt-q+εt

(12)

式中:yt为t阶差分序列;c为常数项;φp为p阶AR模型拟合参数;θq为q阶MA模型拟合参数;εt为t阶噪声序列。

2.2 数据来源与处理

本文数据主要涉及化肥、农药、农膜、农业机械总动力等农资投入量,水稻、玉米、豆类、薯类等农作物播种面积和产量,猪、牛、羊、兔、家禽等畜禽养殖量,以及农林牧渔生产总值、农业从业人口数量等,均来源于《九江市统计年鉴》(2007—2021年)、《江西省统计年鉴》(2007—2021年)。其中,化肥为折纯量;灌溉为有效灌溉面积;翻耕为农作物实际播种面积;农药、农膜、农业机械总动力以当年实际使用量为准;农作物播种面积和产量以当年实际情况为准;畜禽年平均饲养量根据出栏率进行调整,猪、兔、家禽等出栏率大于1的畜禽根据(当年出栏量×平均生命周期)/365调整,牛、羊等出栏率小于1的畜禽采用本年末存栏量和上年末存栏量的平均值调整[26]。九江市行政边界源自1∶25万全国基础地理数据库(https:∥www.webmap.cn),考虑到市区(濂溪区、浔阳区和柴桑区)农用地较少,对其进行合并处理,最终得到11个县(市、区)。

3 结果与分析

3.1 农地利用碳排放时序特征

2006—2020年九江市农地利用碳排放总量及结构如图1所示。研究期间,九江市农地利用碳排放总量呈先波动上升后持续下降的变化趋势,总体增加了10.06万t,增长率为9.2%。具体分为两个阶段:2006—2018年碳排放量波动上升,由2006年的109.43万t增加至2018年的130.51万t,增长率为19.26%,随着农业的发展,农作物种植规模的扩大以及农药、化肥、农机等高碳排放农资投入的增加是引起碳排放量上升的主要原因;2019年和2020年碳排放量持续下降,2020年降低至119.49万t,相比2018年下降了8.44%,这与近年来农业节能减排、绿色发展等相关政策的出台,导致化肥、农药等投入量大幅降低,同时畜禽养殖规模有所减小密切相关。除2018年农地利用碳排放强度上升外,其余年份均逐年下降,由2006年的1 558.67 kg/万元降至2020年的498.62 kg/万元,降低率为68.01%,这主要得益于对农业绿色发展的重视以及农业科技水平的提升,农业生产效率逐渐提高,农地利用方式向高效低碳化转变。

图1 2006-2020年九江市农地利用碳排放总量及结构Fig. 1 Total and structure of carbon emissions from agricultural land use in Jiujiang City from 2006 to 2020

从不同碳源来看,碳排放量依次为稻田种植>农业物资投入>农田土壤利用>畜禽粪便管理>畜禽肠道发酵,年平均碳排放量分别为75.86,21.26,11.06,8.57,4.33万t,分别占总量的62.65%,17.56%,9.13%,7.08%,3.58%。所有碳源中,稻田种植的贡献度最大,且近年来比重仍在提高,2017—2018年碳排放量显著上升,从77.86万t增至86.41万t,且在2019年和2020年保持稳定,原因在于九江市中稻再生稻种植技术的全面推广,使得中季稻播种面积增加;其次是农业物资投入,2006—2018年碳排放量呈先上升后下降的趋势,变化相对稳定,在2013年达到峰值(23.65万t),但2018年后明显下降,从2018年的21.22万t降低到2020年的15.16万t,降低率为28.54%,主要原因是九江市化肥农药减量增效工作的推进,导致化肥、农药的投入大幅减少,2020年化肥、农药施用量与2018年相比分别降低了24.32%,54.12%;农田土壤利用碳排放量在2006—2007年上升幅度较大,由9.14万t增加到11.81万t,增长率为28.97%,在2010年达到峰值(11.98万t),此后则呈波动下降趋势, 2020年降低至8.7万t;畜禽肠道发酵和粪便管理碳排放量处于较低水平,且研究期间波动下降,2020年分别为3.30万t,6.43万t,与2006年相比分别降低了44.19%,18.64%,原因在于畜牧业结构的调整,减少了牛、羊等碳排放量较高的牲畜数量。

3.2 农地利用碳排放区域特征

2006—2020年九江市各县(市、区)农地利用碳排放量及强度如图2所示。受地区自然资源条件和社会经济水平影响,不同地区的农地利用碳排放量差异显著。高值区主要集中在九江市西部和南部的修水县、永修县和都昌县,均高于15万t,修水县作为九江市国土面积最大的县,其耕地资源丰富,农业规模较大,稻田种植碳排放量较高,同时畜牧业发达,生猪和山羊养殖数量多,使得畜禽肠道发酵和粪便管理碳排放量也较高;永修县和都昌县地处鄱阳湖畔,地势平坦、水源充沛,水稻播种面积广,因此稻田种植碳排放量较高,同时化肥农药施用量以及农业机械化水平也较高,因此农业物资投入碳排放量也位于全市前列。庐山市、共青城市受自然资源禀赋限制,种植业和畜牧业发展程度不高,农作物播种面积以及畜禽养殖量较少,因此碳排放量较低。2006—2020年,各县(市、区)农地利用碳排放量呈“六升五降”的变化特征,武宁县、修水县、永修县、德安县、彭泽县和共青城市的碳排放量上升,其中彭泽县、德安县升幅最大,分别为61.16%,58.82%;市区、都昌县、湖口县、瑞昌市和庐山市的碳排放量下降,其中湖口县降幅最大,为17.13%。

九江市农地利用碳排放强度“南高北低”的空间特征明显。2020年排名前3位的依次是永修县(706.73 kg/万元)、修水县(595.12 kg/万元)和武宁县(583.70 kg/万元),究其原因,在于这些地区是粮食生产核心区域,水稻等粮食作物种植面积较大,同时牛、羊等高碳排牲畜养殖较多,在带来高农产品产出的同时也伴随着高碳排放;排名后3位的依次是市区(291.03 kg/万元)、瑞昌市(326.38 kg/万元)和湖口县(409.76 kg/万元),主要因为这些地区农业发展水平较低,农作物种植面积较小,且蔬菜、油料、药材等经济作物种植比例较大。2006—2020年,各县(市、区)农地利用碳排放强度均大幅下降,降幅均高于50%,说明其农地资源低碳化利用水平得以提升。其中瑞昌市由2006年1 360.57 kg/万元的降低到2020年的326.38 kg/万元,降幅最大,为76.01%;武宁县由2006年的1 252.98 kg/万元降低到2020年的583.70 kg/万元,降幅最小,为53.42%。

3.3 农地利用碳排放动态演进

为进一步揭示2006—2020年九江市农地利用碳排放的变化特征,采用Kernel密度估计刻画农地利用碳排放总量以及各类碳源排放量的动态演进趋势(图3)。结果显示:(1) 碳排放总量核密度曲线呈“一主一次”的双峰格局,说明地区存在一定的极化效应。主峰范围为(5～10)万t,意味着大多县(市、区)的碳排放量位于该区间;次峰在20万t左右,其形成原因主要是修水县、都昌县和永修县的碳排放量较高,扩大了与其他县(市、区)的差异。研究期内核密度曲线向右偏移,次峰逐渐不明显,表明碳排放总量上升,地区之间的差异逐渐缩小。(2) 农业物资投入核密度曲线右侧的次峰逐渐消失,由双峰转为单峰,且峰值有所升高,原因在于化肥农药减量增效工作的开展,导致碳排放高值区转为低值区,呈低值聚集的特征。(3) 稻田种植核密度曲线始终维持“一主一次”的双峰特征,大多数县(市、区)碳排放量在5万t左右。研究期内曲线整体向右移动,说明碳排放量有所上升,这与水稻种植面积增加以及中季稻种植比例提升有关。(4) 农田土壤利用核密度曲线呈单峰格局且范围较广,表明地区之间碳排放量虽然差异较大但并不存在极化现象。研究期内峰值先降低后升高,意味着地区之间碳排放量的差异先扩大后缩小,曲线向右偏移,说明碳排放量增加,这主要与农作物种植面积及产量增加有关。(5) 畜禽肠道发酵和畜禽粪便管理核密度曲线特征相似,均呈现“一主一次”的双峰格局,并且主峰与次峰的位置相隔较远,原因主要是修水县畜禽养殖规模远高于其他地区,使得碳排放量也高于其他地区。研究期内主峰均逐渐陡峭,由“矮宽峰”转向“高尖峰”,原因在于除修水县之外,其他县(市、区)畜禽养殖规模逐渐减小,碳排放量也呈现低值聚集的特征。

图3 2006-2020年九江市农地利用碳排放量的演进趋势Fig. 3 Evolutionary trend of carbon emissions from agricultural land use in Jiujiang City from 2006 to 2020

3.4 农地利用碳排放影响因素分析

基于LMDI模型分解九江市农地利用碳排放的影响因素,结果见表1。与2006年相比,2007—2020年九江市农地利用碳排放量累计增加了174.65万t。总体上看,农业经济水平对农地利用碳排放具有促进作用;农业生产效率、产业结构和劳动规模具有抑制作用,贡献量大小依次为农业生产效率>农业劳动规模>农业产业结构。

表1 九江市农地利用碳排放影响因素的贡献量Table 1 Contribution of factors influencing carbon emissions from agricultural land use in Jiujiang City 万t

农业生产效率提升是农地利用碳排放减少的最主要因素。研究期间农业生产效率对碳减排的累计贡献量为957.26万t,年均贡献量为68.38万t,除2018年有所降低之外,其余年份均持续增加,说明随着农业科技的进步以及人们环保意识的转变,农业生产效率不断提高,抑制了农地利用碳排放。因此进一步提升农业生产效率仍是九江市未来实现绿色低碳农业的突破口。

农业产业结构调整也是农地利用碳排放减少的影响因素之一。研究期间农业产业结构对碳减排的累计贡献量为68.89万t,年均贡献量为4.92万t,且呈波动性变化趋势,对碳减排的影响程度也呈先下降后上升再下降的倒“N”形趋势,在2010—2012年表现为碳增排效应。未来应在保障粮食安全的前提下继续优化调整农业产业结构,积极探索农业发展新模式,将农业“碳源”转变为“碳汇”。

农业经济水平提高是农地利用碳排放增加的最主要因素。研究期间农业经济水平对碳增排的累计贡献量为1 366.11万t,年均贡献量为97.58万t,且呈逐年增加趋势,表明农业经济水平对农地利用碳排放的推动作用持续增强。农业作为关乎国计民生的基础产业,其经济发展将长期处于较高水平,通过限制发展以降低碳排放的做法显然行不通。因此,应从农业生产效率、产业结构和劳动规模等碳减排因素寻求着力点。

农业劳动规模减小是农地利用碳排放减少的关键因素。研究期间农业劳动规模对碳减排的累计贡献量为165.31万t,年均贡献量为11.81万t,且呈波动增加趋势,说明随着农业现代化进程的推进,农业劳动规模在波动减小。九江市农业从业人口由2006年的98.54万人降低到2020年的81.44万人,降低了17.35%,表明农业生产对劳动力的依赖程度降低,农业发展的规模化、集约化有利于实现碳减排。

各县(市、区)农地利用碳排放影响因素的分解结果如表2所示。与基期相比,各县(市、区)农地利用碳排放量均呈增加态势,其中累计增加量超过40万t的有彭泽县和永修县,意味着这两个县的碳排放量亟待控制,具有较大的碳减排潜力;而庐山市、瑞昌市累计增加量均低于5万t,碳减排潜力较小。从影响因素来看,农业生产效率对各县(市、区)农地利用碳排放均表现为抑制作用,对修水县、永修县和都昌县的累计贡献量高于150万t,对共青城市的贡献量最小,仅为11.97万t;农业产业结构对德安县、彭泽县农地利用碳排放起促进作用,说明这些地区农业产业结构有待优化,对其他县(市、区)则为抑制作用;农业经济水平对各县(市、区)农地利用碳排放均为促进作用,对修水县、永修县和都昌县的累计贡献量超过150万t,而对共青城市、德安县、庐山市的累计贡献量低于55万t;农业劳动规模对武宁县、共青城市农地利用碳排放表现为促进作用,原因是农业综合开发的大力推进以及农业生产效益的提升,使得该地区农业从业人口规模扩大(分别由2006年的8.89,1万人增加到2020年的9.4,1.72万人),对市区、都昌县、湖口县、彭泽县和瑞昌市的抑制作用较为明显,均超过20万t。总体上看,不同县(市、区)农地利用碳排放的影响因素存在差异,未来碳减排应考虑地区差异精准施策。

表2 九江市各县(市、区)农地利用碳排放影响因素的贡献量Table 2 Contribution of factors influencing carbon emissions from agricultural land use by counties (cities and districts) in Jiujiang City 万t

3.5 农地利用碳排放趋势预测及达峰分析

基于2006—2020年农地利用碳排放测算数据,借助Stata 17软件,经过多次计算和验证筛选出九江市以及各县(市、区)的最优ARIMA模型,对2021—2025年碳排放趋势进行预测,并根据预测结果进行碳达峰分析,结果见图4。九江市农地利用碳排放在2018年达峰,2020年后呈下降态势,预计2025年降低到111.61万t,比2020年降低6.59%。大部分地区农地利用碳排放呈现良性发展态势,市区、武宁县、永修县等8个县(市、区)碳排放量在2020年后呈下降趋势,其中市区碳达峰年份(2008年)最早,都昌县和湖口县2010年碳达峰,瑞昌市和庐山市2013年碳达峰,武宁县、永修县、彭泽县2018年碳达峰。按照历史发展规律,在现有政策和技术等外界因素不变的前提下,修水县、德安县和共青城市2020年后碳排放仍呈上升趋势,意味着如果不采取碳减排措施,这3个县(市、区)可能不会在2030年之前实现碳达峰的目标。因此,各县(市、区)应该根据自身农地利用特点制定碳减排政策,以确保在2030年之前均实现碳达峰,进而实现碳中和的目标。

4 讨论与结论

4.1 讨 论

本文以九江市为例,精细刻画市县尺度下农地利用碳排放的演变特征、影响因素和未来趋势,以期为促进区域低碳协调发展、因地制宜制定可操作性强的减排控碳措施提供路径选择[34-35]。测算方法上,排放因子法是由IPCC提出的一种碳排放测算方法,其基本思路是依照碳排放清单列表,将各类碳源数据与排放系数的乘积作为碳排放量[14],该方法简单明确、易于理解,应用较为广泛。测算结果上,本文测算结果与前人研究[36]相比偏高,原因在于前人研究仅测算了农业物资投入产生的碳排放,而本文在此基础上还将稻田种植、农田土壤利用、畜禽肠道发酵以及畜禽粪便管理作为碳排放源,其中农业物资投入碳排放量与前人研究相似。

从碳排放结构来看,种植业碳排放占总量的90%左右,具有较大的减排潜力,而畜牧业仅占10%左右,减排潜力较小。稻田种植是最大的农业碳源,约占碳排放总量的60%,是今后农业碳减排的关键;农业物资投入是第二大碳源,近年来排放量有所下降,这与化肥农药减量增效工作的大力推进关系密切,但据统计数据,九江市近年来农作物单产也有所降低,因而九江市今后农业生产仍应以“增量提质”为首要目标,在保障粮食安全和经济发展的前提下,逐步实现碳减排。影响因素分析表明,农业经济水平提高对农地利用碳排放增加有较强的促进作用,这与李波等[4]研究结果一致,且这种促进作用逐年增强,说明九江市农地利用碳排放仍处于“EKC曲线”拐点的左侧,未来农业经济水平提高仍是碳排放增加的主要推动力,从这个意义上讲,农地利用碳减排应当从农业生产效率、产业结构和劳动规模等方面寻找解决路径。

基于上述分析,提出以下农地利用碳减排对策:(1) 加强农业科技创新,提升农业生产效率。根据各地区重点产业的不同,因地制宜加强农业科技创新,如永修县、都昌县应侧重“绿色高效”化肥、农药、农膜等新型生产要素以及“高产低排”新品种农作物的研发或引进,修水县需侧重探索低碳化畜禽养殖技术,优化畜牧品种、改良畜禽饲料,并通过加强地区间交流互动、联动协作,实现科技成果共享;同时在全市范围内推广测土配方施肥技术,实现土壤养分平衡,提高农资利用效率,确保在粮食稳产、增产的前提下,稳步推进减量增效工作。(2) 优化农业产业结构,转变农业发展模式。彭泽县、德安县农业产业结构表现为碳增排效应,须进一步优化,合理优化早、中、晚稻种植结构以及增加固碳农作物种植比例,适当调整农林牧渔产业结构,保持或增加林地等生态用地面积,提高农业系统的“碳汇”能力;修水县、武宁县等应科学处理畜禽粪便,通过有机肥生产、沼气资源开发等途径,提升粪便资源化利用水平,形成种养结合循环的农业新模式。(3) 提高农民综合素质,促进农业规模生产。开展农业先进技术培训、宣传绿色生产理念,培育新型农民主体;科学调控修水县、武宁县、共青城市等地区的农业劳动规模,通过加大政策、资金扶持力度,加强农机购置补贴、推广高效节能农机等渠道,促进农业机械化、规模化发展,降低农业对劳动力的依赖程度。

需要说明的是,农地利用碳排放受“双碳”等政策实施的影响较大,不同政策情境下的碳排放量有一定区别,但由于数据获取的限制,本文在趋势预测部分仅选取了简单易操作的模型,基于历史数据开展趋势分析,没有考虑政策的影响设定未来不同的发展情景,后续研究需要在这些方面做进一步的分析和探讨。

4.2 结 论

(1) 2006—2020年九江市农地利用碳排放量呈先波动上升后持续下降的变化趋势,总体增加了10.06万t,增长率为9.2%,2020年达到119.49万t。农地利用碳排放强度除2018年上升之外,其余年份均逐年下降,总体降低了68.01%。稻田种植和农业物资投入是主要碳排放源,二者之和占碳排放总量的80%左右。

(2) 不同县(市、区)农地利用碳排放水平差异显著,修水县、永修县和都昌县的碳排放量高于15万t,庐山市、共青城市的碳排放量低于5万t。研究期间,碳排放量呈“六升五降”的变化态势,其中彭泽县升幅最大,湖口县降幅最大。各县(市、区)农地利用碳排放强度均大幅下降,降低率高于50%。县(市、区)之间碳排放总量的极化效应有所减弱,不同碳源的核密度曲线特征有所差异。

(3) 与基期相比,2007—2020年农地利用碳排放累计增加174.65万t,农业生产效率、产业结构和劳动规模对碳排放具有抑制作用,农业经济水平对碳排放具有促进作用。趋势预测结果显示,九江市农地利用碳排放在2018年达到峰值,有8个县(市、区)在2020年之前达到峰值,修水县、德安县和共青城市在2020年之后呈上升趋势,未来应进一步加强碳减排措施。